基于数字孪生生成数据集与高效数据增强的工业能源分解
机器学习
2025-09-16 v2 人工智能
系统与控制
系统与控制
摘要
工业非侵入式负荷监测(NILM)受限于稀缺的高质量数据集和工业能源消耗模式的复杂变异性。为解决数据稀缺和隐私问题，我们引入了用于能源分解的合成工业数据集(SIDE)，该数据集是使用数字孪生仿真生成的开源数据集。SIDE包含来自三个不同地理位置的三个类型工业设施，捕捉了多样化的器具行为、天气条件和负荷配置。我们还提出了器具调制数据增强(AMDA)方法，这是一种计算高效的技术，通过基于其相对影响智能缩放器具功率贡献来增强NILM模型的泛化能力。我们在实验中表明，使用AMDA增强的数据训练的NILM模型在复杂工业器具（如余热发电系统）的分解方面显著优于未使用数据增强（0.451）和使用随机数据增强（0.290）的模型。具体而言，在我们的离样本场景中，使用AMDA训练的模型实现了归一化分解误差为0.093。数据分布分析确认，AMDA有效地对齐了训练和测试数据分布，增强了模型的泛化能力。
引用
@article{arxiv.2506.20525,
title = {Industrial Energy Disaggregation with Digital Twin-generated Dataset and Efficient Data Augmentation},
author = {Christian Internò and Andrea Castellani and Sebastian Schmitt and Fabio Stella and Barbara Hammer},
journal= {arXiv preprint arXiv:2506.20525},
year = {2025}
}